1.

El Modelo de Programacion Lineal

Sergio Madrigal

February, 2022

Contents
1 Modelos de optimización 2
1.1 Optimización, sistemas y modelos . . . . . . . . . . . . . . . . . . 2
1.1.1 Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2 Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3 Tipos de modelos . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Modelos matemáticos de optimización . . . . . . . . . . . . . . . 3
1.2.1 Fases del desarrollo de un modelo matemático . . . . . . . 4
1.3 Elementos de un modelo matemático de optimización . . . . . . . 5
1.3.1 Función objetivo . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.3 Restricciones . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.4 Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.5 Solución . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Planteamiento de un modelo de programación matemática . . . . 8
1.4.1 Caso Práctico: Un modelo de inversión. . . . . . . . . . . 8
1.5 #### Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.1 Formulación general del problema de optimización
matemática . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1
1 Modelos de optimización
1.1 Optimización, sistemas y modelos
Problema de decisión óptima: Cuando un decisor tiene que elegir entre
diversas alternativas, disponiendo para ello de un determinado criterio para
comparar dichas alternativas.
Solución al problema: Alternativa que resulte mejor según el criterio

1.1.1 Sistemas
Teoría de Sistemas
Definición 1.1: Un sistema es un conjunto de hombres y máquinas que actúan
de modo interactivo en un determinado ámbito.
Hombre: individuo, grupo, institución, gobierno, etc.
Máquina: ingenio mecánico, estructura social compleja con reglas de
conducta, etc.
(i) Ejemplo: Sistema económico.
Método científico:
1. Observación del sistema
2. Formulación de teorías sobre el comportamiento del sistema
3. Evaluación de las teorías
4. Obtención de consecuencias > poder tomar decisiones.

1.1.2 Modelos
Se puede evaluar un sistema experimentando directamente.
Ventajas:
• Situación real.
• Resultados fiables, precisos y de fácil interpretación.
Inconvenientes:
• Riesgos al manipular directamente el sistema.
• Alto coste, lentitud, imposibilidad de aplicación.
• Número de alternativas a examinar limitado
Definición 1.2: Un modelo es una representación aproximada de un sistema
real.
Ventajas:
• Más económico y rápido
• Permite evaluar un mayor número de alternativas.
• No existe riesgo.

2
Inconvenientes:
• Se pierde precisión y fiabilidad
• Interpretación de resultados confusa
• Resultados relevantes solo si el modelo es bueno.

1.1.3 Tipos de modelos

Dos categorías:

Modelos Descripción
Físicos Representación del sistema tangible,
material (Ej: Maquetas, prototipos)

Formales Representación obtenida mediante

herramientas que los hombres han
desarrollado para la abstracción:
Descripciones verbales, dibujos, lógica
y matemáticas. (Ej. esquemas,
lenguajes de computador o fórmulas
matemáticas)

1.2 Modelos matemáticos de optimización

Los modelos formales para resolver problemas de decisión óptima: modelos
matemáticos de optimización
Definición 1.3: Modelo matemático de optimización > objeto formal:
Elementos:
• Cojunto de variables:
– Valores son números reales.
– Representan las alternativas del sistema
• Conjunto de restricciones:
– Igualdades/desigualdades.
– Ligadas a las variables.
– Representan relaciones entre ellas.
– Condiciones del sistema
• Función objetivo:
– Depende de los valres de las variables.
– Toma valores en R
– Sirve para comparar alternativas
La finalidad es encontra valores de las variables que, verifiando las restricciones,
dan valor óptimo de la función objetivo.

3
1.2.1 Fases del desarrollo de un modelo matemático
1.2.1.1 Análisis del sistema
• Punto de partida: constatar existencia de un sistema real cuyo fun-
cionamiento puede ser mejorado.
• Vislumbrar posibles vias de actuación para conseguirlo.
• Es necesario acotar el campo de actuación.
Tener en cuenta SOLO aquellos aspectos relevantes para el estudio
→ sistema real simplificado.

1.2.1.2 Formulación del modelo

• Convertir el sistema real simplificado en un objeto matemático.
• Describir el sistema mediante variables, funciones, ecuaciones, igualdades.
• Se toman todas las decisiones técnicas → afectarán a la viabilidad del
modelo.
• El arte de modelar: capacidad del diseñador del modelo de trasladar
correctamente el sistema real al modelo.
• Es crucial disponer de un modelo matemático adecuado.

1.2.1.3 Solución del modelo

• Encontrar su solución usando herramientas matemáticas precisas: sistemas
de ecuaciones, derivación, métodos para encontrar máximos, combinatoria,
cálculo de probabildades, etc.
• Las conclusiones siempre serán validas desde el punto de vista matemático.
• No quiere decir que sean válidas para el sistema real.

1.2.1.4 Validación del modelo

• Una vez obtenido el resultado → contrastar la validez de los resultados
obtenidos con el sistema real.
– Si los resultados son compatibles: el modelo es adecuado.
– Si se observan discrepancias: reformular el modelo.
• Varios ciclos formulación-solución-validación → conseguir un modelo idóneo
del sistema.
• Cuando se dispone de información histórica, la validación recurre a estos
datos para compararlos con los previstos por el modelo.

1.2.1.5 Puesta en práctica de la solución

• El estudio ha superado todas las etapas anteriores → poner en práctica la
solución.
• Etapa delicada: se enfrenta al rechazo de quien tiene que aplicarla.
– Aplicar una transición donde coexistan el sistema antiguo y el modelo
óptimo.

4
 ∗ Mejora la adaptación y aceptación.

1.3 Elementos de un modelo matemático de optimización

Fases de análisis y construcción del modelo son claves. Es necesario plantearlo
en un formato rígido → tratamiento teórico y algorítmico adecuado.
No todos los problemas reales son susceptibles de admitir este planteamiento.

1.3.1 Función objetivo

Un problema real suele presentar multiples objetivos: difusos y en conflicto
entre sí.
El objetivo de alcanzar múltiples óptimos simultáneos se enfrenta
que el orden natural de un espacio m-dimensional es un orden parcial.
Se han desarrollado teorías de optimización multiobjetivo y optimización difusa,
pero lo normal es usar uno o varios problemas monoobjetivo.
Dos posibles caminos:
1. Única función / Función-índice
• Incluye ponderación de cada objetivo individual.
• Se usan los coeficientes de ponderación.
• Se construye una función-índice que incluye todos los objetivos.
• Aspecto negativo: coeficientes miden en escala ordinal o nominal → las
comparaciones pueden no ser útiles.
2. Optimización por metas
• Fijar niveles mínimos aceptables para todos los objetivos menos para
uno
• Optimizar ese objetivo.
• Condición de alcanzar el mínimo en el resto.
• Disponemos así de una única función objetivo → mide la utilidad del
decisor.
• Medida usual: dinero.
– Alternativa de menor coste → problema de minización.
– Alternativa de mayor beneficio → problema de maximización.

1.3.2 Variables
Definición: Representación numérica de cada una de las alternativas del modelo.
Su elección es un aspecto clave de la definición del modelo.
Tipos:
• Controlables: el decisor puede fijar libremente sus niveles.
• Incotrolables: por el decisor. (Otros pueden controlarlas)

5
El número de variables es una cuestión fundamental en la viablidad del
modelo.
A pesar de que, idealmente, podemos modelizar con infinitas variables, la res-
olución numérica del problema pasa por una discretización del dominio de
las funciones.
Si las variables solo pueden tomar enteros → problema de optimización entera.
Constantes: cantidades que influyen en el modelo, pero que nadie
puede cambiar → representan alguna condición natural, física o de
def. inamovible.
Parámetros: Cantidades que el decisor fija libremente en un deter-
minad valor al considerar una aplicación concreta del modelo.
Es importante distinguir: variable vs parámetro.
• Los parámetros se fijan ANTES de resolver el problema.
• Las variables se obtienen como proudcto de la solución.
Es indispensable realizar un análisis de sensibilidad para observar el impacto en
la solución de posibles cambios en los parámetros.

1.3.3 Restricciones
Condiciones que describen el comportamiento del modelo.
Matemáticamente: ecuaciones e inecuaciones que relacionan las variables, los
parámatros y las constantes del modelo.

1.3.3.1 Restricciones de definición Definición 1.4: Describen identi-

dades físicas o simplemente obedecen a convenios de notación.

1.3.3.2 Restricciones empíricas Definición 1.5: Describen relaciones

causa-efecto entre las variables, contantes y parámetros.
Basadas en datos históricos, análisis técnico, la evidencia experimental, la
normativa legal, etc.

1.3.3.3 Restricciones normativas Definición 1.6: Describen cuál de-

berña ser el comportamiento de sistema en el futuro. Exigencias del decisor
sobre requisitos mínimos, inversiones máximas, etc.
Observaciones a tener en cuenta:
• La elección de la función que relaciona las variables puede no ser evi-
dente.
– Descubrir estas relaciones puede ser complejo
– La estadística proporciona diversos métodos para contrastar, con un
det nivel de confianza, si la relación funciona.

6
 • Las realciones derivadas de los datos históricos pueden no ser una
descripción adecuada de las relaciones presentes o futuras.
– Al ser resultado de un funcionamiento no óptimo → consecuencias
inadecuadas.
– Se produce lo que se conoce como “paradoja de los datos”.
• Relaciones utilizadas → computables.
– Deseable: posean propiedades técnicas que faciliten el cálculo (e.g. con-
tinuidad, diferenciabilidad, convexidad, etc.)

1.3.3.4 Restricciones de acotación Definición 1.8: Expresan que las

variables sólo pueden tomar valores en un determinado intervalo: L ≤ x ≤ U .
Este tipo de restricciones es muy usada en procedimientos numéricos de búsqueda
de solución para obtener una mayor eficacia computacional.
Cualquier problema real es un problema con variables acotadas superior e
inferiormente por los valores que determinan el rango dinámico del computador.
Si existe una componente aleatoria esta puede ser parametrizada para asi formar
parte del modelo.

1.3.4 Datos
Son responsabilidad del diseñador.
Si existe imposibilidad de disponer de ellos → replantear modelo. La incorpo-
ración de datos: responde a mayor/menor complejidad del modelo.
Modelos usan: datos cuantitativos.
Precisión: importancia secundaria → el análisis de sensibilidad tomará respons-
abilidad de ello más adelante.

1.3.5 Solución
Problemas derivados de la dificultad de las técnicas de optimización: condicionar
elección del modelo. Remedio: simplificar el modelo y modificar los requisitos.
Todos los componentes del modelo pueden variar dinámicamente (en el tiempo).
La influencia en el tiempo se puede tener en cuenta → variables y restricciones
dependientes del tiempo.
Esto lleva a problemas de grandes dimensiones → uso de optimización
dinámica:
• Se resuelve por etapas
• Se reconstruye la solución global.
• Cada etapa: técnica de optimización estática.

7
1.4 Planteamiento de un modelo de programación
matemática
Problema de inversión óptima.

1.4.1 Caso Práctico: Un modelo de inversión.

Caso básico de inversión:
• Averiguar activos
• Definir características de ellos.
Supondremos solo dos activos A y B.
Solución: cantidad el capital total ha de invertirse en A y en B.

1.5 #### Objetivo

Aproximación descriptiva:
• Rentabilidad
• Riesgo
• Liquidez
Son conceptos mutuamente excluyentes → fijar unos niveles satisfactorios en
algunos objetivos y tratar de buscar el óptimo exclusivamente en uno de ellos.
Ver la definición del problema en el libro.
El modelo matemático del problema de inversión:
f (x1 , x2 ) = 0.02x21 + 0.10x22 − 0.08x1 x2
Sujeto a:
• x1 + x2 ≤ 1
• 0.10x1 + 0.25x2 ≥ 0.20
• x1 ≥ 0
• x2 ≥ 0
La solución del problema es el punto de interesección entre las rectas:
• 0.10x1 + 0.25x2 = 0.20
• x1 + x2 = 1
Es el punto 13 , 23

Siendo el valor óptimo de f = 0.029.

1.5.1 Formulación general del problema de optimización matemática

Problema de optimización matemática: encontrar el óptimo (máximo o mínimo)
de una función numérica f de n variables reales sometido al cumplimiento de un
conjunto de restricciones de igualdad y desigualdad.

8
Formalmente:
Sean (x1 , x2 , ..., xn ) un vector de variables ∈ espacio n-dimensional Rn .
Sean f : Rn −→ R1 , gi : Rn −→ R1 , i = 1, ..., m, hj : Rn −→ R1 j =
1, ..., p funciones definidas en Rn , entonces:

1.5.1.1 Problema de optimización matemática Definición 1.8: La

forma general del problema:
Optimizar f (x1 , x2 , ..., xn )
Sujeto a > gi (x1 , x2 , ..., xn ) ≥ 0 i = 1, ..., m
hj (x1 , x2 , ..., xn ) = 0 j = 1, ..., p
• f : función objetivo
• gi , hj : restricciones de desigualdad e igualdad del problema.
• (x1 , x2 , ..., xn ) solución factible / solución realizable → verifica todas las
restricciones
• (x1 , x2 , ..., xn ) solución óptima → proporciona el óptimo de la función
objetivo.
Tipos de programación:
• Programación lineal
• Programación cuadrática
• Programación no lineal
• Programación entera
• Programación estocástica
• Programación dinámica